Derin öğrenme ile kıyı alanlarının spektral ve dokusal değişkenlere göre belirlenmesi
Determination of coastal areas based on spectral and textural variables using deep learning methods
- Tez No: 958721
- Danışmanlar: PROF. DR. CEM GAZİOĞLU
- Tez Türü: Doktora
- Konular: Deniz Bilimleri, Marine Science
- Anahtar Kelimeler: Deniz kıyıları, Spektral çözünürlük, Sea coasts, Spectral resolution
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Deniz Bilimleri ve İşletmeciliği Enstitüsü
- Ana Bilim Dalı: Denizel Çevre Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kıyı alanlarının biyoçeşitlilik ve ekonomik değerine rağmen iklim değişikliği ve insan faaliyetleri nedeniyle karşılaştığı tehditler, etkin izleme yöntemlerini zorunlu kılmaktadır. Bu çalışma, geleneksel yaklaşımların sınırlılıklarını aşmak için uzaktan algılama ve derin öğrenme teknolojilerini kullanarak kıyı şeritlerinin spektral ve dokusal değişkenlere dayalı sınıflandırılmasını araştırmaktadır. Google Earth Engine platformunda Sentinel-2 uydu görüntüleri kullanılarak, transfer öğrenimi destekli VGG16 modeliyle yedi kıyı sınıfı (kumlu, kayalık, haliç tipi, antropojenik, mercan resifleri, volkanik, buzul) sınıflandırılmıştır. Spektral analizler, yakın kızılötesi bandının bitki örtüsü yoğun sınıfları ayırmadaki önemini gösterirken, dokusal analizler antropojenik ve haliç tipi kıyıların heterojen yapısının sınıflandırma başarısına olumlu et kisini ortaya koymuştur. Transfer öğrenimi, modelin doğruluğunu önemli ölçüde iyileştirmiştir; yakın kızılötesi-yeşil-mavi bant kombinasyonunda doğruluk oranı %74,69'dan %96,97'ye yükselmiştir. Ancak, kayalık, buzul ve volkanik kıyılar gibi spektral ve dokusal örtüşme gösteren sınıfların ayrıştırılmasında zorluklar yaşanmıştır. Bu tez, multispektral verilerle dokusal özelliklerin birleştirilmesiyle erişilebilir ve genellenebilir kıyı sınıflandırma çözümleri sunarak literatüre katkıda bulunmaktadır. Elde edilen bulgular, kıyı yönetimi, erozyon kontrolü ve habitat koruma için sürdürülebilir politikaların geliştirilmesine destek olmaktadır. Gelecekte farklı derin öğrenme mimarileriyle genelleştirme güçlendirilebilir.
Özet (Çeviri)
Coastal areas, despite their biodiversity and economic value, face significant threats from climate change and human activities, necessitating effective monitoring methods. This study investigates the classification of coastal areas based on spectral and textural features using remote sensing and deep learning technologies, aiming to overcome the limitations of traditional approaches. Employing Sentinel-2 satellite imagery on the Google Earth Engine platform, seven coastal classes (sandy, rocky, estuarine, anthropogenic, coral reefs, volcanic, glacial) were classified using a VGG16 model enhanced by transfer learning. Spectral analyses revealed the near-infrared band's crucial role in differentiating vegetation-dense classes, while textural analyses confirmed the heterogeneous structure of anthropogenic and estuarine coasts positively impacted classification success. Transfer learning significantly improved model accuracy; the near-infrared-green-blue band combination increased accuracy from 74.69% to 96.97%. However, challenges arose in distinguishing classes with spectral and textural overlaps, such as rocky, glacial, and volcanic coastlines. This thesis contributes to the literature by offering accessible and generalizable coastal classification solutions through the integration of multispectral data and textural features. The findings support the development of sustainable policies for coastal management, erosion control, and habitat protection. Future work can strengthen generalization using different deep learning architectures.
Benzer Tezler
- Derin öğrenme ile yeşil alanların çıkarımı
Exraction of green areas with deep learning
YUSUF YEKTA GÜZEL
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK
- Makine öğrenmesi ve derin öğrenme yöntemleriyle kentsel taşkın riskinin çok boyutlu değerlendirilmesi
A multidimensional assessment of urban flood risk using machine learning and deep learning methods
GÜLŞAH KILIÇ
Yüksek Lisans
Türkçe
2026
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. FİLİZ BEKTAŞ BALÇIK
- Coğrafi bilgi sistemi ve uzaktan algılama teknikleri kullanılarak kuraklık izleme indekslerinin zamansal ve konumsal analizi: Samsun ili örneği
Temporal and spatial analysis of drought monitoring indices using geographic information systems and remote sensing techniques: The case of Samsun province
SERHAT YILDIZ
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriGiresun ÜniversitesiAfet Yönetimi Ana Bilim Dalı
DOÇ. DR. MEHMET ALİ DERELİ
- İstanbul'da kentsel büyümenin senaryo tabanlı modellenmesi ve ekolojik açıdan değerlendirilmesi
Scenario-based modeling and evaluation of urban growth in Istanbul
ALİYE GONCA BOZKAYA KARİP
Doktora
Türkçe
2024
Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATMA ÜNSAL
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ